Vision-Guided Automatic Parking for Smart Car
Introduction
提出了一种基于视觉系统的免费停车位检测方案。图像信息丰富，对干扰和噪声具有较强的抗干扰能力，因此选择视觉作为主要的感知系统。通过图像处理和视觉计算，我们可以从图像中检测出一个空的停车位(去哪里)。同样的视觉系统也可以实现对障碍物的检测。
在检测到空闲停车位后，下一步是规划一条合适的路径，将车辆带入空停车位。我们的解决方案是基于对停车策略和局部路径规划的分析。讨论了一种基于五次多项式和对称姿态概念的局部路径规划新方法。
Parking Slot Detection Using Vision
Parking Slot Detection Using Color
由于车位标识的颜色相当一致且与背景颜色不同，建议使用颜色从图像中识别这些标识的像素是有效的。我们基于由Guo等人首先开发的RCE神经网络的颜色分割方法。感兴趣对象的颜色(在HSI颜色空间中表示)是通过RCE神经网络的训练过程来学习的。经过自适应训练后，可以自动进行分割。RCE神经网络的结构如图1所示。图2展示了分割后的marki的结果。
当标记对应的像素被分割出来时，我们使用这些像素的轮廓作为几何特征。通过对处理后的图像从下到上逐列扫描，得到一组轮廓的孤立点。然后通过估计这条轮廓的两条线(使用最小二乘法)，我们可以得到这两条线在图像平面上的方程。
将车位轮廓线的两条直线转换成平面上的二维坐标系，就可以知道空车位的位置和方向。
Obstacle Detection
障碍物的检测与定位是车载视觉系统的另一项任务。我们提出了使用2D视觉原理[11]的想法。由于平面与任何摄像机所捕获的图像之间存在投影变换，立体视觉系统所捕获的左右图像中的地平面像素之间存在投影变换。这个转换至少可以由4个匹配决定(使用最小二乘法来获得更多匹配)。然后我们可以将这个变换应用到这两张图像上，来识别与地面上点的投影相对应的像素。地面上障碍物上的点不能验证这个条件。
Motion planning
第一类是基于技能的。控制命令是根据当前状态实时生成的。利用模糊逻辑和神经网络将人的技能传递给智能车辆[3]。第二类是先对整个动作系列进行事先规划，然后将这些命令发送给控制器。这里本文用来第二种方法。
计划与控制方法包括两个标准步骤[6]。第一步是路径规划，第二步是轨迹规划。这两个术语的定义如下:
路径规划:设计车辆从初始配置到最终配置的路径，避免静止和移动的障碍物。
轨迹规划:为车辆设计一个配置(方向和位置)的时序，以及相应的运动控制系统参考输入，使车辆沿着指定的路径运动。
Local Path planning and control commands generation
由于车的特性，一个好的类车路径应该是光滑的，在一阶和二阶导数上连续的，并且沿着路径有一个上界曲率。这里作者提出了五次多项式和对称姿态概念的局部路径规划新方法。具体不再介绍。